[論文レビュー] Contrastive Cross-domain Recommendation in Matching

Ruobing Xie, Qi Liu+4 more|arXiv (Cornell University)|Dec 2, 2021

Recommender Systems and Techniques被引用数 4

ひとこと要約

本稿では、大規模な推薦システムのマッチング段階におけるクロスドメイン推薦のための新規フレームワークである対照的クロスドメイン推薦（CCDR）を提案する。多様化された好みネットワーク上で、ドメイン内および3種類のドメイン間対照学習を導入することで、データスパarsityと人気バイアスを効果的に軽減し、WeChat Top Storiesにおけるオフライン指標およびオンライン参加度が著しく向上した。特に、コールドスタートドメインにおいてHIT@500が相対的に14.37%向上した。

ABSTRACT

Cross-domain recommendation (CDR) aims to provide better recommendation results in the target domain with the help of the source domain, which is widely used and explored in real-world systems. However, CDR in the matching (i.e., candidate generation) module struggles with the data sparsity and popularity bias issues in both representation learning and knowledge transfer. In this work, we propose a novel Contrastive Cross-Domain Recommendation (CCDR) framework for CDR in matching. Specifically, we build a huge diversified preference network to capture multiple information reflecting user diverse interests, and design an intra-domain contrastive learning (intra-CL) and three inter-domain contrastive learning (inter-CL) tasks for better representation learning and knowledge transfer. The intra-CL enables more effective and balanced training inside the target domain via a graph augmentation, while the inter-CL builds different types of cross-domain interactions from user, taxonomy, and neighbor aspects. In experiments, CCDR achieves significant improvements on both offline and online evaluations in a real-world system. Currently, we have deployed our CCDR on WeChat Top Stories, affecting plenty of users. The source code is in https://github.com/lqfarmer/CCDR.

研究の動機と目的

• 大規模システムのマッチングモジュールにおけるクロスドメイン推薦（CDR）におけるデータスパarsityと人気バイアスを解消すること。
• 特にコールドスタート状況において、対応ユーザーに依存しない最小限の依存で、ソースドメインからターゲットドメインへの有効な知識移転を可能にすること。
• 推薦システムのキャンディエート生成段階における精度、多様性、オンライン効率のバランスを取ること。
• モデル効率を損なわずに表現学習とクロスドメイン移転を向上させる対照学習メカニズムを設計すること。

提案手法

• ユーザー、アイテム、クリック、共有、いいね、およびタクソノミーの6種類のオブジェクトを統合したグローバルで多様化された好みネットワークを構築し、多様なユーザーの関心を捉える。
• GNNベースのアグレゲータで、近隣類似度に基づく損失関数を適用し、異種の相互作用をモデル化し、表現学習を向上させる。
• サブグラフに基づくデータ拡張を用いて、ドメイン内対照学習（intra-CL）を導入し、ターゲットドメイン内での学習の安定化と強化を図る。
• ユーザーベース、タクソノミー基地、近隣基地の3種類のドメイン間対照学習（inter-CL）タスクを設計し、複数経路による知識移転を可能にする。
• intra-CLとinter-CLの損失項を重み付きで組み合わせて最適化し、アブレーションを通じてハイパーパrameterを調整し、性能のバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 ドメイン内対照学習は、ターゲットドメインのマッチングモジュールにおいて、データスパarsityと人気バイアスをどのように効果的に軽減できるか？
• RQ2 コールドスタートおよび少数のサンプルでの推薦状況において、知識移転に最も効果的なドメイン間対照学習の種類は何か？
• RQ3 異なる対照学習コンponentsは、オフラインおよびオンライン評価環境の両方で、性能向上にどのように寄与しているか？
• RQ4 提案されたフレームワークは、高い効率性と多様性要件を満たす実世界の展開においても、頑健性とスケーラビリティを維持できるか？

主な発見

• CCDRは、厳密なコールドスタートドメインにおいてHIT@500が相対的に14.368%向上し、すべてのベースラインを大きく上回った。
• intra-CLとinter-CLの組み合わせが最も高い向上を示し、特に少数のサンプルでの設定において、inter-CLが主な貢献をした。
• アブレーションスタディにより、intra-CLとinter-CLの両方が不可欠であることが確認され、ユーザー行動がより豊富な状況ではintra-CLの向上が顕著に見られた。
• ユーザーベースのinter-CLは、少数のサンプルドメインで最も効果的であったが、タクソノミー基地のinter-CLは、厳密なコールドスタート設定で優れたパフォーマンスを示した。
• 最適な損失重みは、intra-CLに対してλ₃ = 1.5、inter-CLに対してλ₄ = 0.6であり、これらの値を超えると性能がピークに達した後、低下した。
• WeChat Top StoriesにおけるオンラインA/Bテストでは、CCDRがCTR、CTR、および滞在時間の3つの主要指標をすべてp < 0.01で有意に向上させ、実世界での有効性を裏付けた。